論文の概要: Context-based Interpretable Spatio-Temporal Graph Convolutional Network
for Human Motion Forecasting
- arxiv url: http://arxiv.org/abs/2402.19237v1
- Date: Wed, 21 Feb 2024 17:51:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-03 19:12:24.834891
- Title: Context-based Interpretable Spatio-Temporal Graph Convolutional Network
for Human Motion Forecasting
- Title（参考訳）: ヒューマンモーション予測のためのコンテキストベース解釈可能な時空間グラフ畳み込みネットワーク
- Authors: Edgar Medina, Leyong Loh, Namrata Gurung, Kyung Hun Oh, Niels Heller
- Abstract要約: 本稿では,効率的な3次元ポーズ予測モデルとしてコンテキスト解釈型時空間グラフネットワーク(IST-GCN)を提案する。
提案アーキテクチャでは,ポーズシーケンスから意味のある情報を抽出し,入力モデルにアグリゲーションとアクセラレーションを集約し,最終的に出力変位を予測する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Human motion prediction is still an open problem extremely important for
autonomous driving and safety applications. Due to the complex spatiotemporal
relation of motion sequences, this remains a challenging problem not only for
movement prediction but also to perform a preliminary interpretation of the
joint connections. In this work, we present a Context-based Interpretable
Spatio-Temporal Graph Convolutional Network (CIST-GCN), as an efficient 3D
human pose forecasting model based on GCNs that encompasses specific layers,
aiding model interpretability and providing information that might be useful
when analyzing motion distribution and body behavior. Our architecture extracts
meaningful information from pose sequences, aggregates displacements and
accelerations into the input model, and finally predicts the output
displacements. Extensive experiments on Human 3.6M, AMASS, 3DPW, and ExPI
datasets demonstrate that CIST-GCN outperforms previous methods in human motion
prediction and robustness. Since the idea of enhancing interpretability for
motion prediction has its merits, we showcase experiments towards it and
provide preliminary evaluations of such insights here. available code:
https://github.com/QualityMinds/cistgcn
- Abstract（参考訳）: 人間の動きの予測は、自動運転や安全アプリケーションにとって非常に重要なオープンな問題である。
動き列の複雑な時空間的関係のため、これは動きの予測だけでなく、関節接続の予備的な解釈を行う上でも困難な問題である。
本稿では,特定のレイヤを含むGCNをベースとした効率的な3次元ポーズ予測モデルとして,コンテキストベースの解釈可能時空間グラフ畳み込みネットワーク(CIST-GCN)を提案する。
本アーキテクチャは,ポーズシーケンスから有意な情報を抽出し,入力モデルに変位と加速度を集約し,最終的に出力変位を予測する。
ヒト3.6M, AMASS, 3DPW, ExPIデータセットの大規模な実験により、CIST-GCNは人間の動き予測と堅牢性において従来の手法よりも優れていたことが示されている。
動き予測のための解釈可能性を高めるという考え方はそのメリットがあるため,実験を提示し,その知見の予備的評価を行う。
利用可能なコード:https://github.com/QualityMinds/cistgcn
関連論文リスト
- Sparse Prototype Network for Explainable Pedestrian Behavior Prediction [60.80524827122901]
Sparse Prototype Network (SPN) は,歩行者の将来の行動,軌道,ポーズを同時に予測するための説明可能な手法である。
モノセマンティリティとクラスタリングの制約によって規則化されたプロトタイプは、一貫性と人間の理解可能な機能を学ぶ。
論文 参考訳（メタデータ） (2024-10-16T03:33:40Z) - Past Movements-Guided Motion Representation Learning for Human Motion Prediction [0.0]
動作表現の強化を目的とした自己教師型学習フレームワークを提案する。
フレームワークは、まず、過去のシーケンスの自己再構成を通じてネットワークを事前訓練し、過去の動きに基づく将来のシーケンスのガイド付き再構築を行う。
提案手法は,Human3.6,3DPW,AMASSデータセットの平均予測誤差を8.8%削減する。
論文 参考訳（メタデータ） (2024-08-04T17:00:37Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Exploring Attention GAN for Vehicle Motion Prediction [2.887073662645855]
身体的・社会的文脈を考慮した動き予測モデルにおける注意の影響について検討した。
本稿では,Argoverse Motion Forecasting Benchmark 1.1 を用いて提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2022-09-26T13:18:32Z) - Live Stream Temporally Embedded 3D Human Body Pose and Shape Estimation [13.40702053084305]
ライブストリーム映像の精度と時間的整合性を改善するために,時間的に埋め込まれた3次元人体ポーズと形状推定法(TePose)を提案する。
マルチスケールの畳み込みネットワークを,3次元ラベリングを伴わないデータセットを用いた対人訓練のための運動判別器として提示する。
論文 参考訳（メタデータ） (2022-07-25T21:21:59Z) - Investigating Pose Representations and Motion Contexts Modeling for 3D
Motion Prediction [63.62263239934777]
歴史的ポーズシーケンスから人間の動きを予測することは、機械が人間と知的な相互作用を成功させるために不可欠である。
本研究では,様々なポーズ表現に関する詳細な研究を行い,その動作予測課題に対する効果に着目した。
AHMR(Attentive Hierarchical Motion Recurrent Network)と呼ばれる新しいRNNアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-12-30T10:45:22Z) - MSR-GCN: Multi-Scale Residual Graph Convolution Networks for Human
Motion Prediction [34.565986275769745]
本稿では,人間のポーズ予測のためのマルチスケール残差グラフ畳み込みネットワーク(MSR-GCN)を提案する。
提案手法は、Human3.6MデータセットとCMU Mocapデータセットの2つの標準ベンチマークデータセットで評価される。
論文 参考訳（メタデータ） (2021-08-16T15:26:23Z) - Development of Human Motion Prediction Strategy using Inception Residual
Block [1.0705399532413613]
Inception Residual Block (IRB) を提案する。
我々の主な貢献は、事前に観測されたポーズと次の予測されたポーズの間に連続性を持つように、入力と開始ブロックの出力の間の残差接続を提案することである。
提案したアーキテクチャでは、人間のポーズに関する事前知識をよりよく学習し、論文で詳述したよりはるかに高い予測精度を達成する。
論文 参考訳（メタデータ） (2021-08-09T12:49:48Z) - Multi-level Motion Attention for Human Motion Prediction [132.29963836262394]
本研究は, 関節, 身体部分, フルポーズレベルなど, 異なる種類の注意力の使用について検討した。
我々は,Human3.6M,AMASS,3DPWを用いて,周期的および非周期的両方の行動に対するアプローチの利点を検証した。
論文 参考訳（メタデータ） (2021-06-17T08:08:11Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳（メタデータ） (2021-04-04T03:17:42Z) - History Repeats Itself: Human Motion Prediction via Motion Attention [81.94175022575966]
注意に基づくフィードフォワードネットワークを導入し、人間の動きが自分自身を繰り返す傾向にあるという観察を明示的に活用する。
特に,現在動きのコンテキストと過去の動きのサブシーケンスの類似性を捉えるために,動きの注意を抽出することを提案する。
我々は,Human3.6M,AMASS,3DPWを用いて,周期的および非周期的両方の行動に対するアプローチの利点を実証した。
論文 参考訳（メタデータ） (2020-07-23T02:12:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。